איך מזהים את הכאב האמיתי עבור הלקוחות שלנו? (ניר לויאה דהאן, Fig)

מהפכת ה-AI הציבה אתגר מורכב בפני חברות מוצר רבות: כיצד משמרים את הערך המוצרי מול מודלי שפה גנריים שהולכים ומשתכללים במהירות. בפרק זה, נדב לוי, Senior Product Manager בסולה סקיוריטי (Sola Security), משתף בדילמה שפגשה החברה, כאשר לקוחות תהו מדוע לא לבנות את הפתרון בעצמם באמצעות חיבור ישיר ל-API של מודל Frontier קלאסי. במקום להילחם בפידבק באופן שיווקי, הצוות הוכיח כי המעטפת המוצרית משפרת את רמת הדיוק מ-50% ל-85% ומייעלת את צריכת הטוקנים ב-300%. נדב מפרק את שלוש שכבות הקונטקסט ההכרחיות לפיצוח הבעיה, דן בטרייד-אוף המורכב שבין עודף גמישות לדטרמיניזם מוצרי, ומציג כלים מעשיים להתמודדות עם עלויות הכלכלה של הטוקנים, ניהול תחרות ישירה מול מודלים גנריים ומעבר ממוצר פסיבי למערכת אקטיבית המציפה תובנות למשתמש.See omnystudio.com/listener for privacy information.

גיא ברהמס, Head of Product בפלאנק, מספר איך פיתוח מוצר בתחום ביטוח מסחרי הוביל לשאלה שמנהלי מוצר רבים מתחמקים ממנה: האם MVP עדיין רלוונטי בעידן של Vibe Coding? פרק שמדבר על discovery שהוביל להחלטה לא צפויה, על הבנה שהיוזרים לא תמיד יודעים לבקש מה שהם באמת צריכים, ועל POC שנבנה בפחות מיומיים והתפשט כמו אש בשדה קוצים.See omnystudio.com/listener for privacy information.

כשחברת Lightrun החליטה להרחיב את קו המוצרים ולפנות לשימושים וקהלים חדשים, עלה הצורך לקבל החלטות אסטרטגיות מבוססות דאטה מעבר לגרעין המשתמשים הקיים. חן אפרמן קור, Senior Product Manager בחברה, מתארת בפרק השבוע את התהליך של זיהוי הזדמנויות צמיחה בנקודת זמן שבה הארגון נדרש להשתנות ולהתרחב. האתגר המרכזי שחן מציגה הוא הפער שבין ניתוח כמותי שמראה מה המשתמשים עושים, לבין הצורך בהבנה איכותנית של הסיבות להתנהגות. בדרך כלל, מנהלי מוצר נאלצים לבחור בין ראיונות עומק איטיים לבין קבלת החלטות מהירה המבוססת על אינטואיציה. חן משתפת כיצד בנתה מערכת לניתוח מידע איכותני ב-scale, שהחלה במיפוי ידני של מסע המשתמש והתפתחה לשימוש בסוכני AI שסורקים מקורות מידע מגוונים כמו שיחות גונג, ערוצי סלאק ופידבקים מהמוצר. חן מפרטת את הצעדים לבניית תשתית לניתוח איכותני, החל מאיסוף הדאטה ועד לביצוע Fine-tuning למודלי ה-AI כדי שיבינו את ההקשר הארגוני הייחודי. היא גם מסבירה כיצד המערכת משמשת את צוותי המוצר וההנהלה ביומיום לצורך הכנה לשיחות לקוח, איתור דיזיין פרטנרז למוצרים חדשים ויצירת שפה משותפת בין המחלקות השונות בארגון.See omnystudio.com/listener for privacy information.

חברות מסורתיות מחזיקות בנכס יקר של עשרות שנות ניסיון, אבל כשהן מנסות לאמץ טכנולוגיות חדשות כמו בינה מלאכותית, הן נתקלות במחסומים שחברות הייטק כמעט לא מכירות: היעדר דאטה מובנה, תהליכי עבודה ידניים שהשתרשו במשך 30 שנה ותלות בקטלוגים פיזיים של ספקים חיצוניים ללא ממשקי API. בפרק הזה אנחנו מארחים את שי די קסטרו, מנהלת מוצר ומובילת טרנספורמציות, כדי להבין איך מגשרים על הפער הזה.  האתגר המרכזי ששי הגיעה לפתור ב"טולמנ'ס" היה תהליך הצעות המחיר: משימה מורכבת שדרשה מאנשי המכירות לנבור ידנית בקטלוגים של מאות עמודים כדי לדייק בפרטי פרטים, מהחומר של רגל הרהיט ועד צבע התפר, תהליך שלקח ימים והיה חשוף לטעויות יקרות. שי משתפת איך ניגשה למיפוי הבעיה דרך צפייה ישירה בעובדים ("Shadowing"), מדוע בחרה להתמקד דווקא בשינוי התנהגותי כחלק מה-MVP, ומה עושים כשהפתרון הטכני שבנית לקטלוג אחד פשוט לא עובד על הקטלוג הבא. See omnystudio.com/listener for privacy information.

​​בשנים האחרונות חל שינוי משמעותי בציפיות ממנהלי ומנהלות מוצר: מהתמקדות בדיסקאברי והגדרת מדדים בלבד, לעבר דרישה להפוך לבילדרים כאלו שמסוגלים להקים מוצר עובד מקצה לקצה. רן ארז יצא לאתגר אישי כדי לבדוק האם ניתן, בעזרת כלי AI ובשעה אחת בלבד ביום, לאתר בעיה אמיתית, לפתח לה פתרון טכנולוגי ולהגיע ללקוחות משלמים תוך חודש אחד בלבד. האתגר המרכזי של רן לא היה רק טכנולוגי, אלא אסטרטגי: איך מוצאים בעיה שכואבת מספיק כדי שאנשים ישלמו עליה, מבלי להיגרר לחודשים של מחקר שוק? במהלך הפרק רן משתף בכישלונות שבדרך, מהטעות של "אינפוט עצלני" בעבודה מול ה-AI, דרך הניסיון (והכישלון) לקבל אישורים מהירים מגוגל, ועד למלכודת ה-"בקלוג מלמטה", שבה קל להתפתות לתיקונים קטנים וחסרי אימפקט במקום להתמקד במה שבאמת מזיז את המחט. רן מפרק את התהליך שעבר שבוע אחרי שבוע ומציג שלושה כללי ברזל לבניית מוצר מהירה: השקעה ב-Discovery גם בלו"ז צפוף: הקצאת מחצית מזמן הפרויקט לזיקוק הבעיה והבנת המשתמשים. התבססות על ערוצי הפצה קיימים: שימוש במרקטפלייס כדי לא לבזבז זמן על בניית קהל מאפס. בניית סיסטם של אייגנ׳טים: איך לפרק את תהליך הפיתוח ל-"Skills" (תיעדוף, כתיבת קוד, Code Review) המדמים צוות פיתוח אמיתי תחת בקרה אנושית.  See omnystudio.com/listener for privacy information.

בן ארז מלווה אנשי מוצר בתהליכי ריאיונות וכבר עזר למאות מועמדים להגיע לחברות כמו Meta ו-Google. בעודו מריץ קורס פופולרי, הוא זיהה דפוס חוזר: הסטודנטים שלו נאבקו ליישם את הפריימוורקים שלמדו בין המפגשים, והוא מצא את עצמו עונה על אותן שאלות שוב ושוב ללא יכולת לתת פידבק איכותי ומותאם אישית לכולם ב-Scale. הפתרון שלו היה לארוז את המומחיות שלו לתוך AI Copilot, כלי שמאפשר לכל מועמד להתאמן "על רטוב" עם מתודולוגיה של מומחה. האתגר הגדול של בן היה הפיכת תחושות בטן של מומחה להנחיות ש-LLM יכול לבצע בצורה עקבית, מה שדרש השקעה עצומה בכתיבת עשרות אלפי תווים של הנחיות לעומת כתיבת קוד. בדרך הוא נאלץ לקבל החלטות מוצריות ולבנות את המוצר מלמטה למעלה דרך מאות איטרציות וסימולציות, עד שהגיע לרמה שבה מראיינים בכירים לשעבר ב-Meta אישרו שהכלי מייצר תשובות שעוברות את רף הקבלה. בפרק רן ארז ובן דנים בשאלה איזה יוסקייס מתאים לבניית קו-פיילוט, ואיך הידע הייחודי שיש לכם בראש הופך ל"נכס" החדש שלכם, כל עוד מצמידים אותו לתהליך עבודה קבוע שחוזר על עצמו. השיחה חושפת כיצד "קידוד" של שיקול דעת מקצועי וסטנדרטים של איכות מאפשרים למנהלי מוצר ומומחים לשכפל את עצמם, להעלות את ערך המוצרים שלהם ולייצר נקודות ממשק חדשות של ידע בתוך הארגון או מול לקוחות חיצוניים. See omnystudio.com/listener for privacy information.

מתי נכון לשבור את חוקי הגנריות ולפתח פיצ'ר ייעודי עבור לקוח אסטרטגי אחד? בעולם שבו ה-Product-Market Fit נבנה על היכולת לייצר פתרון רחב, הבקשה ל-"One-off" עלולה להיראות כמו הסחת דעת מסוכנת, אך לעיתים, אם נודה על האמת, לסטארטאפים בתחילת הדרך אין את הפריבילגיה לוותר על לקוחות משמעותיים. בפרק רן ארז מארח את ניר גלאון, שותף ו-CPO בחברת Grain, לשיחה על ניהול סיכונים בתנאי אי-ודאות. ניר משתף בסיפורים מהשטח, מהמקרה ב-Melio שבו לקוח יחיד היווה יותר 50% מנפח הפעילות, ועד לכישלונות צורבים שבהם פיתוח מותאם אישית הסתיים ב-"קול ענות חלושה". יחד, הם מפרקים את התהליך לשלבים ואינידקטורים למנהלי מוצר ו-C-levels שעומדים בפני השאלה מתי שווה לנו לצאת למסע עם לקוח אסטרטגי אחד. האזינו.  See omnystudio.com/listener for privacy information.

בעידן שבו חברות רבות מתהדרות באלגוריתמים פורצי דרך, האתגר האמיתי עובר מהמעבדה אל השטח. בפרק השבוע אנו מארחים את עדי קייזר, Senior Product Manager בחברת Aidoc, לשיחה על איך הופכים תוצאות אלגוריתמיות מעולות לחוויית משתמש מצוינת שיוצרת אימפקט אמיתי בעולם. עדי משתפת במסע של Aidoc בבתי חולים, שם הדיוק הטכני הוא רק תנאי הסף, והמבחן האמיתי הוא היכולת להשתלב בתוך סביבת עבודה עמוסה ורועשת. הדילמה המרכזית בפרק היא תופעת ה-"Notification Fatigue" בקרב צוותים רפואיים. עדי מתארת מקרה שבו המודל עבד בצורה מושלמת והתריע על ממצאים קריטיים, אך המשתמשים בשטח לא הגיבו להתראות. היא מסבירה מדוע האינסטינקט הראשוני להאשים את המודל היה שגוי, ואיך הפתרון נמצא דווקא בהבנת הקונטקסט של המשתמש ובחיבור למערכות חיצוניות כמו סידורי עבודה כדי למנוע רעש מיותר.  See omnystudio.com/listener for privacy information.

מה קורה כשמבינים שהתזה המבריקה שלנו פשוט לא פוגשת את המציאות? השבוע רן ארז מארח את ניר לויאה דהאן, Co-Founder ו-CPO בחברת Fig, לשיחה צוות יזמים שהגיע עם עשרות שנות ניסיון מצטבר וביטחון עצמי גבוה בתחום ה-Security Operations, רק כדי לגלות בשיחות עם לקוחות שהפתרון שלהם נתפס כ"נחמד" במקרה הטוב, או כמעמסה שמאיימת "להזיז להם את הגבינה" במקרה הפחות טוב. ניר לוקח אותנו אל מאחורי הקלעים של הפיבוט המחשבתי שהם עברו, כשהחליטו לעצור הכל ולחזור לתיעוד השיחות עם המשתמשים, כדי ללמוד איך להקשיב מחדש. הוא מסביר את ההבדל בין ולידציה לבין דיסקברי אמיתי, ומדוע חשוב לחפש דווקא את הסיגנלים הרגשיים, שמעידים על כאב שורשי ולא רק על סימפטומים שטחיים. בפרק השניים דנים בשאלה מתי אנחנו מביאים ערך ומתי אנחנו באמת פותרים בעיה בוערת שאי אפשר להתעלם ממנה.See omnystudio.com/listener for privacy information.

הפרק השבוע נפתח בסיפור על כישלון מפואר: שחר עזריאל, VP Product ב-Baz, הגיע ל-POC עם מוצר שדייק פי שניים מהבנצ'מרק של GitHub, ובכל זאת, הלקוח בחר לנתק את המערכת אחרי חודש. שחר מסביר דרך הסיפור הזה את התובנה הכי חשובה למי שבונה ב-AI היום: להיות "צודק" טכנית זה פשוט לא מספיק. אם ה-Agent לא מבין את ההקשר הארגוני ולא מדבר בשפה של הצוות, המשתמשים יתעלמו ממנו. בשיחה עם רן ארז, שחר מפרק את המעבר שעשו ב-Bazz מ-40% ל-70% באחוזי קבלת ההצעות. הוא מסביר איך הם רתמו את ה-"Tribal Knowledge" (התורה שבעל פה) של הארגון לתוך הזיכרון של הבוט, ולמה דווקא המעבר למודל שבו המשתמש בוחר מה להפעיל (Opt-in) יצר את תחושת הבעלות והמחויבות של המפתחים למוצר.  See omnystudio.com/listener for privacy information.